承接練習題 - 基於快速文本標題匹配的知識問答實現(一,基礎篇),前篇主要把qdr這個項目解剖了一下,現在開始應用做一下問答。
可以看到qdr這個項目的特點是:可以快速比對兩個文本之間的相似性,而且計算tfidf、bm25、lm三款模型的速度很快。
那麼本輪知識問答的設計源於此:
- 先儲備一批問答語料,一問一答比較合適;
- 把問題進行分詞,變爲文本序列;
- 載入qdr模型之中,進行訓練;
- 先trainer,統計詞條頻次 / 單詞存在的文檔數量兩個數據;
- Scoring,把trainer的統計數據
QueryDocumentRelevance
載入,變爲文本集合;
- 新查詢句,分詞;
- 分詞之後的查詢句在model中比對,得到最大相似的query對,
- 從query找到對應的answer
接下來會演示:一個極其簡單的demo + 一部分百度問答語料的demo.
相關code + 數據集,可見筆者github:mattzheng/qdrQA
其中,baidu_demo.py
是基於一部分百度問答語料;demo1.py
是簡單示範案例
目錄
1 知識問答簡單demo
import os
import unittest
import numpy as np
from qdr import ranker,trainer
from tempfile import mkstemp
from qdr import QueryDocumentRelevance
class qdrQA(object):
def __init__(self, query, document):
self.query = query
self.document = document
assert len(self.query)==len(self.document), "Inconsistent length on both query and document."
self.qd = self.TrainModel()
self.scorer = QueryDocumentRelevance(self.qd._counts,self.qd._total_docs)
def TrainModel(self):
# 模型統計詞條頻次 / 單詞存在的文檔數量兩個數據
qd = trainer.Trainer()
qd.train(self.query)
return qd
def update(self,query_update,document_update):
# 模型update
qd2 = trainer.Trainer()
qd2.train(query_update)
self.qd.update_counts_from_trained(qd2) # 合併兩個容器的訓練集
self.query = self.query + query_update
self.document = self.document + document_update
def QueryAnswer(self,input_sentence,select_model = 'tfidf',limit = 0):
# 查詢語句
#query_scores = np.array([self.scorer.score(input_sentence,qu)[select_model] for qu in self.query])
query_scores = np.array([qu[select_model] for qu in self.scorer.score_batch(input_sentence,self.query)])
if query_scores.max() > limit:
answer = self.document[query_scores.argmax()]
else:
answer = 'sorry,no match sentence.'
return answer
以上就是基於qdr進行簡單的封裝,其中
TrainModel()
是訓練模塊;update()
是如果有新的語料可以隨機更新(非常方便!);QueryAnswer()
,問答匹對。
進行簡單測試:
# 數據集
query = [['信用積分','在','哪裏','查詢'],['螞蟻積分','可以','兌換','什麼','東西'],['信用積分','兌換','什麼','性價比','比較','高']]
document = ['可以在首頁查詢','螞蟻積分可以兌換商城中很多東西','信用積分性價比最高兌換物品是蘋果手機']
# 建模
qdr = qdrQA(query,document)
# 問答
select_model = 'tfidf'
input_sentence = ['信用積分','查詢']
limit = 0
print qdr.QueryAnswer(input_sentence,limit = 0)
>>> 可以在首頁查詢
以上是輸入文字序列,其中query對需要分詞,因爲這樣可以增加匹配概率。
那麼如果新加語料,如何訓練:
# 模型更新
query_update = [['信用積分','與','螞蟻積分','的','區別']]
document_update = ['區別主要集中在商城兌換品']
qdr.update(query_update,document_update)
# 問答
select_model = 'tfidf'
input_sentence = ['信用積分','與','螞蟻積分','區別']
print(qdr.QueryAnswer(input_sentence))
>>> 區別主要集中在商城兌換品
很方便的直接更新,只要與訓練語料格式保持一致。
2 部分百度問答語料的問答
該百度問答語料截取自:【語料】百度的中文問答數據集WebQA
import json
import jieba
# 問答
def qaPrint(input_sentence,select_model = 'tfidf',limit = 0):
query_scores = np.array([qu[select_model] for qu in qdr.scorer.score_batch(input_sentence,qdr.query)])
similar_answer = ''.join(qdr.query[query_scores.argmax()])
print 'query is : ', ''.join(input_sentence)
print 'most similar query is : ', similar_answer
print 'answer is :',qdr.QueryAnswer(input_sentence,limit = 0)
def QueryJieba(input_sen):
return [i.encode('utf-8') for i in list(jieba.cut(input_sen))]
# 數據準備
qa = open("/mnt/qdr/me_test.ann.json", "r").read()
qa = eval(qa)
query_bd = []
answer_bd = []
for qa_ in qa.values():
if (qa_['question']!='') and (qa_['evidences'].values()[0]['evidence']!=''):
query_bd.append(qa_['question'])
answer_bd.append(qa_['evidences'].values()[0]['evidence'])
# jieba
query_bd_jieba = [list(jieba.cut(wo.decode('unicode-escape'))) for wo in query_bd]
# format processing
query_bd_jieba = [[i.encode('utf-8') for i in q] for q in query_bd_jieba]
answer_bd = [q.encode('utf-8') for q in answer_bd]
# 模型訓練
qdr = qdrQA(query_bd_jieba,answer_bd)
# 提問
input_sen = '沙漠最大的叫什麼?'
qaPrint(QueryJieba(input_sen))
>>> query is : 沙漠最大的叫什麼?
>>> most similar query is : 世界上最大的沙漠叫什麼名字?
>>> answer is : 撒哈拉沙漠撒哈拉沙漠面積爲860萬平方公里,是世界上最大的沙漠,佔據了北非大部分地區。
# 提問2
input_sen = '最淺的海是哪裏'
qaPrint(QueryJieba(input_sen))
>>> query is : 最淺的海是哪裏
>>> most similar query is : 世界上最淺的海叫什麼?
>>> answer is : 亞速海平均深度8米,最深處也只有14米,是世界上最淺的海記得采納啊
加載數據,把問題數據進行jieba分詞,其中,qdr模型接受utf-8格式,需要轉化一下格式。
這邊簡單寫了一下,提問之後,返回給你最相似的問題以及對應的答案。
延伸:單獨來看,一些小模塊的應用:
1、 獲得該批語料單詞的idf值
qdr.scorer.get_idf('沙漠')
>>> 7.321188556739478
2、單獨的文本匹配模塊
qdr.scorer.score_batch(QueryJieba('沙漠最大的叫什麼?'),[QueryJieba('最淺的海是哪裏')])
>>> [{'bm25': 0.43801802356073943,
'lm_ad': -28.28692876400435,
'lm_dirichlet': -27.58677603082954,
'lm_jm': -33.64719347947683,
'tfidf': 0.014088049093832688}]